尿液沉渣分析方法和装置的制造方法
【技术领域】
[0001 ] 本发明涉及生物检测，尤其涉及一种尿液沉渣分析方法和装置。
【背景技术】
[0002]在通常的尿液沉渣分析技术中，首先利用显微成像系统拍摄尿液样本图像。然后，利用例如边缘检测等技术分割尿液样本图像中的候选者区块。通过从这些候选者区块中去除明显的背景区块，检测出待分类区块。然后，将这些待分类区块分类为各种有形成分(如管形、上皮)区块和与有形成分容易混淆的背景区块。
[0003]目前的分类过程大多数通过人工镜检(MME)的方式。然而，MME耗费大量时间，且容易产生不同观察者镜检结果的差异。
[0004]现有技术也提出过机器自动的分类方法，其主要使用基于训练模型的分类器。例如，会利用一些对于区分各类有形成分和与有形成分容易混淆的背景区块有帮助的特征，例如面积、圆形度、伸展度、梯度等组成特征集来训练分类器。分类器利用训练样本集中已有的大量的训练样本区块，通过测算它们的特征(例如面积、圆形度、伸展度、梯度等)进行训练。这样，当输入新的待分类区块后，训练好的分类器根据测算的该区块的特征，对其进行分类。
【发明内容】
[0005]本发明的一个实施例旨在提高尿液沉渣分析的处理速度。
[0006]根据本发明的一个实施例，提供了一种尿液沉渣分析方法，包括:从多个尿液样本图像中去除低密度样本图像；从去除低密度样本图像的尿液样本图像中检测候选者区块；对候选者区块进行分类。
[0007]在一种具体实现中，该方法还包括:利用候选者区块的形状特征，校正分类的结果。
[0008]在一种具体实现中，从多个尿液样本图像中去除低密度样本图像的步骤包括:利用机器学习方法，将所述多个尿液样本图像划分成低密度样本图像、和中高密度样本图像；去除所述低密度样本图像，只留下所述中高密度样本图像。
[0009]在一种具体实现中，从去除低密度样本图像的尿液样本图像中检测候选者区块的步骤包括:对去除低密度样本图像的尿液样本图像进行多次滤波和降采样，以获得多层处于不同平滑级的图像；将所述多层处于不同平滑级的图像中相邻层的图像中的各对应像素值相减，以获得各相邻层之间的滤波差图像；对各滤波差图像进行边缘检测，以检测出候选者区块。
[0010]在一种具体实现中，将候选者区块分类成各种有形成分区块和易与有形成分区块混淆的背景区块的步骤包括:以随机森林构造分类器，所述随机森林包括多个决策树，每个决策树分别对分类器的可选分类结果进行投票，按照最多的投票数确定分类结果。
[0011]在一种具体实现中，将候选者区块分类成各种有形成分区块和易与有形成分区块混淆的背景区块的步骤包括:以包含各种有形成分区块和易与有形成分区块混淆的背景区块的训练样本集训练分类器，其中如果训练样本集各种有形成分区块和易与有形成分区块混淆的背景区块中每种类型区块的数目不均衡，对于数目较少的区块类型，通过对其样本区块进行旋转和/或缩放构造新样本区块，以补充该类型区块的数目；以训练后的分类器对候选者区块分类。
[0012]在一种具体实现中，有形成分区块包括管形区块和上皮区块。
[0013]根据本发明的一个实施例，提供了一种尿液沉渣分析装置，包括:去除单元，被配置为从多个尿液样本图像中去除低密度样本图像；检测单元，被配置为从去除低密度样本图像的尿液样本图像中检测候选者区块；分类单元，被配置为对候选者区块分类。
[0014]在一种具体实现中，该装置还包括:校正单元，被配置为利用候选者区块的形状特征，校正分类的结果。
[0015]在一种具体实现中，去除单元进一步被配置为:利用机器学习方法，将所述多个尿液样本图像划分成低密度样本图像、和中高密度样本图像；去除所述低密度样本图像，只留下所述中高密度样本图像。
[0016]在一种具体实现中，检测单元进一步被配置为:对去除低密度样本图像的尿液样本图像进行多次滤波和降采样，以获得多层处于不同平滑级的图像；将所述多层处于不同平滑级的图像中相邻层的图像中的各对应像素值相减，以获得各相邻层之间的滤波差图像；对各滤波差图像进行边缘检测，以检测出候选者区块。
[0017]在一种具体实现中，分类单元进一步被配置为:以随机森林构造分类器，所述随机森林包括多个决策树，每个决策树分别对分类器的可选分类结果进行投票，按照最多的投票数确定分类结果。
[0018]在一种具体实现中，分类单元进一步被配置为:以包含各种有形成分区块和易与有形成分区块混淆的背景区块的训练样本集训练分类器，其中如果训练样本集各种有形成分区块和易与有形成分区块混淆的背景区块中每种类型区块的数目不均衡，对于数目较少的区块类型，通过对其样本区块进行旋转和/或缩放构造新样本区块，以补充该类型区块的数目；以训练后的分类器对候选者区块分类。
[0019]在一种具体实现中，有形成分区块包括管形区块和上皮区块。
[0020]由于本发明实施例先从多个尿液样本图像中快速识别出低密度样本图像，而低密度图像中通常只包含背景，不需要进一步的处理，且尿液样本图像中的大部分都是这种样本图像，因此首先将这些大量的、不需要后续处理的样本图像去掉，只对剩下的中高密度样本图像进行后续处理，大大提高了尿液沉渣分析的处理效率。
[0021]另外，由于本发明的一种具体实现中，还在分类后利用候选者区块的形状特征校正分类的结果，因此提高了尿液沉渣分析的分类精度。
[0022]另外，由于本发明的一种具体实现中，还对去除低密度样本图像的尿液样本图像进行多次滤波，以获得多层处于不同平滑级的图像，并将所述多层处于不同平滑级的图像中相邻层的图像中的各对应像素值相减，以获得各相邻层之间的滤波差图像，然后再对各滤波差图像进行边缘检测。在这些滤波差图像中，原来较为模糊的有形成分边界等会变得清晰，因而减轻了现有技术中由于图像失焦对分析结果准确性带来的影响。而且，在这些滤波差图像中，背景区域中的尖峰会被平滑掉，有用信息区域会与背景区域的差别变得明显，使得利用边缘检测来检测候选者区块更容易，进一步提高了处理速度。
[0023]另外，由于本发明的一种具体实现中，还以包括多个决策树的随机森林构造分类器，每个决策树分别对分类器的分类结果进行投票，按照最多的投票数确定分类结果，因此提高了分类的效率和精度。
[0024]另外，由于本发明的一种具体实现中，在以训练样本集训练分类器时，如果训练样本集中各种有形成分区块和易与有形成分区块混淆的背景区块中每种类型区块的数目不均衡，对于数目较少的区块类型，通过对其样本区块进行旋转、缩放构造新样本区块，以补充该类型区块的数目，因而减轻了训练样本集中每种类型的区块数目不均衡的影响，提高了分类的精度。
【附图说明】
[0025]本发明的这些和其它的特征和优点通过以下结合附图的详细描述将变得更加显而易见。
[0026]图1示出了根据本发明一个实施例的尿液沉渣分析方法的流程图。
[0027]图2示出了根据本发明一个实施例的尿液沉渣分析装置的框图。
[0028]图3示出了根据本发明一个实施例的尿液沉渣分析仪的框图。
【具体实施方式】
[0029]下面，将结合